从多重脑成像数据中提取细胞数据,使用自主监督的双损失自适应性蒙蔽自编码器

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 生物医学成像技术 生物医学成像技术

背景情况:

• 精确的细胞检测和细分对于理解大脑功能和加速药物发现至关重要.
• 深度学习方法对细胞图像分析有希望,但需要大量的注释数据,这是昂贵的,需要大量的时间来生成.
• 多复合免疫光成像为大脑研究产生了丰富的数据集,但在规模上分析它们仍然具有挑战性.

研究的目的:

• 开发一种新的自我监督学习方法,从多重免疫光脑图像中提取特征.
• 克服监督学习方法的局限性,这些方法需要熟练的生物学家进行大量的手动注释.
• 提高大脑组织学中大规模细胞检测,细分和分类的效率和准确性.

主要方法:

• 推出了双损失适应性掩盖自编码器 (DAMA),这是一个自我监督的学习框架.
• 在像素级别的重建和特征级别的回归中,DAMA利用了一个客观函数来最小化条件.
• 采用一种新的自适应性面具采样策略来最大限度地增加相互信息,在学习脑细胞数据方面表现优于随机面具.

主要成果:

• 在多重免疫光脑图像上,DAMA功能在细胞检测,细分和分类方面实现了卓越的性能.
• 该方法甚至在有限的注释中也证明了有效性.
• 在TissueNet数据集上的实验证实了DAMA在不同组织类型和成像平台上的概括性.

结论:

• DAMA代表了多重免疫光脑图像分析的自我监督学习的重大进步.
• 开发的框架减少了对手工注释的依赖,使大规模的细胞表型更容易获得.
• 公开可用的代码促进了神经科学和药物开发领域的进一步研究和应用.